本發(fā)明涉及到一種基于bp(benefitpunishment)-tabu搜索的云任務(wù)負(fù)載均衡調(diào)度方法。

背景技術(shù)：

云計(jì)算的核心思想是利用分布在各地閑散異構(gòu)的大規(guī)模廉價(jià)物理資源，整合形成巨大的虛擬資源池，再通過網(wǎng)絡(luò)將用戶提交的計(jì)算和存儲(chǔ)任務(wù)調(diào)度到不同的虛擬機(jī)上，使得人們能夠以極低的成本投入提升計(jì)算能力及存儲(chǔ)容量，獲得較高的服務(wù)質(zhì)量。

在云環(huán)境下，一個(gè)個(gè)不能再分割的云任務(wù)從創(chuàng)建到被處理的過程，中間經(jīng)過兩層調(diào)度，由此可以得出云任務(wù)調(diào)度二級結(jié)構(gòu)模型。第一層調(diào)度模型為從用戶應(yīng)用到虛擬機(jī)的調(diào)度，第二層調(diào)度模型為虛擬機(jī)到實(shí)體主機(jī)的調(diào)度。本發(fā)明主要研究第一層用戶應(yīng)用，即云任務(wù)，到虛擬機(jī)的調(diào)度中如何降低云任務(wù)總執(zhí)行時(shí)間以及提高虛擬機(jī)的負(fù)載均衡度的。

云計(jì)算環(huán)境下任務(wù)調(diào)度的實(shí)質(zhì)就是將n個(gè)相互獨(dú)立的任務(wù)分配到m個(gè)閑散異構(gòu)的物理資源上，使得總?cè)蝿?wù)完成時(shí)間最小并且可用資源得到充分利用。任務(wù)調(diào)度作為云計(jì)算平臺(tái)的重要組成部分，是將用戶提交的任務(wù)進(jìn)行合理高效地調(diào)度和分配，其效率直接影響到云計(jì)算平臺(tái)的整體性能和服務(wù)質(zhì)量。例如，順序任務(wù)調(diào)度算法把一組任務(wù)順序分配給一組虛擬機(jī)，盡量保證每個(gè)虛擬機(jī)運(yùn)行相同數(shù)量的任務(wù)以平衡負(fù)載。但沒有考慮任務(wù)的需求和虛擬機(jī)之間的差別任務(wù)調(diào)度問題已經(jīng)被證明是一個(gè)np完全問題，在mⁿ個(gè)可能任務(wù)調(diào)度的解空間尋找近似最優(yōu)解，使得總?cè)蝿?wù)的執(zhí)行時(shí)間和負(fù)載均衡度最小，其中執(zhí)行時(shí)間最小是為了滿足用戶的服務(wù)質(zhì)量，負(fù)載均衡度最小是為了保證云環(huán)境的穩(wěn)定性。

目前，求解云任務(wù)調(diào)度近似最優(yōu)解的算法主要分為傳統(tǒng)啟發(fā)式算法以及智能算法兩類。其中，傳統(tǒng)啟發(fā)式算法主要包括：brauntd，siegelhj,beckn在2001年提出的max-min算法、zhengq,veeravallib在2009年提出的min-min算法、shishao-feng，liuyan-bing在2012年提出的動(dòng)態(tài)規(guī)劃算法等；智能算法主要包括：yefent，wangzhi-jian,xuxin-kun在2012年提出的蟻群算法、蔣尚婷，王謙在2013年提出的基于粒子群的任務(wù)調(diào)度算法、以及李劍鋒、彭艦于2011年提出的遺傳算法等。其中，傳統(tǒng)啟發(fā)式算法一般采用先易后難或先難后易的原則，每次將任務(wù)優(yōu)先分配給執(zhí)行它最早完成的計(jì)算資源，然而其無法最小化總?cè)蝿?wù)的實(shí)際執(zhí)行時(shí)間。智能算法能有效地降低總?cè)蝿?wù)執(zhí)行時(shí)間，但是對于海量的任務(wù)調(diào)度，可能陷入局部最優(yōu)解，在負(fù)載均衡方面也有改善的空間。

禁忌(tabu)搜索算法是一種啟發(fā)式算法具有智能記憶功能，與模擬退火算法有一定的相似性，但求出的最優(yōu)解往往優(yōu)于傳統(tǒng)算法，同時(shí)又具有較高的搜索效率。在求解云任務(wù)負(fù)載均衡調(diào)度方面有一定的優(yōu)勢。孫凌宇、冷明等人在2015年提出一種云環(huán)境下基于tabu搜索的負(fù)載均衡調(diào)度算法，并申請了相關(guān)發(fā)明專利(專利號為201410527189.x)，但是，其使用啟發(fā)式優(yōu)先分配策略獲得初始解較慢且效果不優(yōu)；用于決策任務(wù)交換的收益值函數(shù)標(biāo)準(zhǔn)單一，未綜合多方面因素以保證交換后任務(wù)分配結(jié)果最優(yōu)；自身的禁忌準(zhǔn)則在任務(wù)量較大時(shí)，易陷入局部最優(yōu)解的困境。楊文強(qiáng)、鄧麗等人針對多目標(biāo)自動(dòng)化倉庫調(diào)度問題提出基于pareto解集的tabu搜索算法，但是其未考慮tabu搜索對于初始解要求較高問題，且其未借助優(yōu)值函數(shù)，得到的調(diào)度方案在負(fù)載均衡方面有待改善。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有云資源任務(wù)調(diào)度方法陷入任務(wù)分配不均衡、單臺(tái)虛擬機(jī)資源負(fù)載過大或者空閑較多的不足，本發(fā)明提出一種任務(wù)分配均衡的基于bp-tabu搜索的云任務(wù)負(fù)載均衡調(diào)度方法，適用于云環(huán)境下任務(wù)調(diào)度的負(fù)載均衡方面，

本發(fā)明所采用的技術(shù)方案是：

一種基于bp-tabu搜索的云任務(wù)負(fù)載均衡調(diào)度方法，包括以下步驟：

第一步：形式化描述云計(jì)算環(huán)境下的負(fù)載均衡任務(wù)調(diào)度問題，并給出對于云計(jì)算環(huán)境下各元素相關(guān)定義，包括：云任務(wù)t、虛擬機(jī)資源vm、執(zhí)行時(shí)間矩陣ct、云任務(wù)到虛擬機(jī)的分配矩陣p、任務(wù)最早完成時(shí)間makespan、總?cè)蝿?wù)最優(yōu)完成時(shí)間vl、負(fù)載均衡度lbp；

第二步：基于貪心算法思想求得任務(wù)調(diào)度初始解，使用對時(shí)間貪心的算法，對任務(wù)調(diào)度初始解進(jìn)行求解，過程為：先通過計(jì)算獲得每個(gè)任務(wù)在相應(yīng)虛擬機(jī)資源上的最小完成時(shí)間列表，然后在這些最小完成時(shí)間中，選取出其中的最大值與最小值進(jìn)行組合，如果該任務(wù)組合對相對于其他任務(wù)組合對分配時(shí)間最優(yōu)，就完成任務(wù)資源分配；如果不是最優(yōu)，即將任務(wù)對分配給其他虛擬機(jī)資源；若任務(wù)對分配存在多種方案，挑選任務(wù)運(yùn)行數(shù)最少的虛擬機(jī)資源分配；

第三步：針對不同任務(wù)分配方案，根據(jù)虛擬機(jī)處理能力mips、指令的執(zhí)行成本以及延遲成本，定義虛擬機(jī)利用效益函數(shù)，用于衡量虛擬機(jī)的使用效益。根據(jù)虛擬機(jī)總利用效益，以及虛擬機(jī)的總負(fù)載平衡度，定義任務(wù)調(diào)度方案p下的優(yōu)值(benefit)函數(shù)bp，用于衡量該任務(wù)調(diào)度方案的任務(wù)優(yōu)值；過程如下：

3.1、在任務(wù)分配方案p下，定義虛擬機(jī)vmj當(dāng)前狀態(tài)下vmuj為虛擬機(jī)vmj的利用效益，函數(shù)如下：

vmuj＝vmu(α,dp,mips)

其中α為虛擬機(jī)處理指令的執(zhí)行成本，dp為處理指令的延遲成本；

3.2、定義n個(gè)不同任務(wù)調(diào)度到m個(gè)不同虛擬機(jī)上的平均負(fù)載，即總?cè)蝿?wù)最優(yōu)完成時(shí)間為即假設(shè)，在任務(wù)調(diào)度方案p下，虛擬機(jī)總的負(fù)載均衡度定義該任務(wù)調(diào)度方案p下的優(yōu)值函數(shù)bp，用于衡量任務(wù)調(diào)度方案p的任務(wù)優(yōu)值，主要函數(shù)如下：

其中w1，w2為權(quán)重值。vmu為虛擬機(jī)利用效益和，lbp為該任務(wù)調(diào)度方案下的負(fù)載均衡度；

第四步、結(jié)合貪心算法獲得的任務(wù)調(diào)度初始解，通過衡量包含效益值以及負(fù)載均衡度的優(yōu)值函數(shù)，得出基于tabu搜索算法優(yōu)化后的任務(wù)調(diào)度分配策略。由于tabu搜索的禁忌數(shù)組不能保證當(dāng)搜索進(jìn)入局部最優(yōu)時(shí)一定可以跳出。本發(fā)明在此基礎(chǔ)上提出了用于跳出局部最優(yōu)的懲罰策略。

進(jìn)一步，所述第四步中，使用禁忌算法獲取任務(wù)調(diào)度最優(yōu)解的過程包括以下步驟如下：

4.1、假設(shè)在某個(gè)云任務(wù)環(huán)境下，其中不可再分的云任務(wù)的總數(shù)為n，初始化禁忌數(shù)組tabulist[1,2,…,n]，其中數(shù)組的初始值均為1，用于標(biāo)識該任務(wù)可以被交換；

4.2、根據(jù)1.5可知，虛擬機(jī)的負(fù)載vlj為分配給第j個(gè)虛擬機(jī)vmj所有任務(wù)的預(yù)期完成時(shí)間，即通過計(jì)算，獲取任務(wù)負(fù)載vl最大以及最小的虛擬機(jī)vmmax，vmmin；

4.3、若分配至vmmax的任務(wù)在tabulist中的值均為0，即均被置為禁止交換狀態(tài)，則跳轉(zhuǎn)到步驟4.8，否則跳轉(zhuǎn)到4.4步；

4.4、選擇虛擬機(jī)vmmax上可被用于交換的任務(wù)tk，并設(shè)置其禁忌值tabulist[k]＝0；

4.5、若分配至虛擬機(jī)vmmin的任務(wù)均被禁止交換，則跳轉(zhuǎn)到4.8；

4.6、分別選擇虛擬機(jī)vmmin上可交換任務(wù)tl，根據(jù)3.2，計(jì)算各任務(wù)交換狀態(tài)下的調(diào)度方案的優(yōu)值函數(shù)值bp，選擇使優(yōu)值函數(shù)值最高的任務(wù)對(k,l)進(jìn)行交換；

4.7、若交換后的優(yōu)值函數(shù)bp的值大于原優(yōu)值函數(shù)的值，則完成任務(wù)交換，更新禁忌表tabulist[l]＝0，并且同時(shí)更新負(fù)載最大以及最小的虛擬機(jī)vmmax，vmmin的負(fù)載vl。跳轉(zhuǎn)到步驟4.2；

4.8、結(jié)束算法，獲得任務(wù)調(diào)度的最優(yōu)分配方案。

再進(jìn)一步，由于上述tabu搜索的禁忌數(shù)組不能保證當(dāng)搜索進(jìn)入局部最優(yōu)時(shí)一定可以跳出。跳出局部最優(yōu)的懲罰(punishment)策略的設(shè)計(jì)主要如下：

對修改禁忌表tabulist中禁忌對象的次數(shù)進(jìn)行記錄，其記錄次數(shù)用pt表示，初始值為0。當(dāng)禁忌對象進(jìn)入禁忌表時(shí)，pt將被加1，當(dāng)連續(xù)k次tabulist集沒有更新時(shí)，即pt＝k時(shí)，將會(huì)啟動(dòng)懲罰策略。定義虛擬機(jī)隨機(jī)分量函數(shù)p*(k)：

p*(k)＝p(k)+w*pt

其中p(k)為當(dāng)前最小虛擬機(jī)的索引量，w為隨機(jī)懲罰常量，k為記錄次數(shù)閾值。虛擬機(jī)分量函數(shù)的增加會(huì)對最小任務(wù)負(fù)載vl虛擬機(jī)vmmin的選擇產(chǎn)生影響，最小虛擬機(jī)的索引量p(k)會(huì)偏移，根據(jù)最新的p(k)選擇相應(yīng)(相鄰)的虛擬機(jī)代替vmmin，從而引導(dǎo)搜索跳出局部最優(yōu)。

更進(jìn)一步，優(yōu)化如下：所述步驟4.1中，增加虛擬機(jī)隨機(jī)分量函數(shù)，初始化記錄次數(shù)pt＝0，即隨機(jī)分量函數(shù)閾值k；所述步驟4.2中，增加對于閾值k判斷，若pt>＝k，則使用隨機(jī)分量函數(shù)p^*(k)對vmmin的選擇使用懲罰策略，若pt<＝k，則跳過進(jìn)入下一步；所述步驟4.7中，增加對于記錄次數(shù)pt的操作，若交換后的優(yōu)值函數(shù)bp的值小于原優(yōu)值函數(shù)的值，則記錄次數(shù)pt加1，否則，pt不變，進(jìn)入下一步。

所述第一步中，云計(jì)算環(huán)境下各元素相關(guān)定義如下：

1.1、假設(shè)云環(huán)境下，任務(wù)作業(yè)已經(jīng)分解為n個(gè)無法再分割的子任務(wù)的集合，定義任務(wù)集合t＝{t1,…,ti,…,tn}，其中ti為分解成的任務(wù)集合中的第i個(gè)任務(wù)(i＝1,2,…,n)，n為任務(wù)數(shù)量，且定義mii為任務(wù)ti的總指令長度；

1.2、假設(shè)有m個(gè)虛擬資源參與任務(wù)的處理，且虛擬資源以虛擬機(jī)的方式提供。定義虛擬機(jī)集合vm＝{vm1,…,vmj,…,vmm}，其中vmj為第j個(gè)虛擬機(jī)資源，j＝1,2,…,m，m為虛擬機(jī)數(shù)量，且定義mipsj為虛擬機(jī)vmj的指令執(zhí)行速度，單位：每秒執(zhí)行指令條數(shù)；

1.3、定義n個(gè)不同任務(wù)t調(diào)度到m個(gè)不同虛擬機(jī)vm上所有可能的任務(wù)調(diào)度方案集η，定義p代表任務(wù)分配方案集η中的一種任務(wù)調(diào)度方案，即一個(gè)n×m的矩陣，其中pij表示任務(wù)ti與虛擬機(jī)vmj的分配關(guān)系，且p∈{0,1}，即如果任務(wù)ti分配在虛擬機(jī)vmj上執(zhí)行，則pij＝1，否則pij＝0；

1.4、云環(huán)境下，假定每個(gè)任務(wù)只能分配到單臺(tái)虛擬機(jī)上執(zhí)行，且在某個(gè)時(shí)間段，一個(gè)虛擬機(jī)只能執(zhí)行一個(gè)任務(wù)，定義n個(gè)不同的任務(wù)調(diào)度到m個(gè)不同臺(tái)虛擬機(jī)上的預(yù)期完成時(shí)間矩陣ct，其中ct[i][j]用于表示任務(wù)ti在虛擬機(jī)資源vmj上的任務(wù)完成時(shí)間，即ct[i][j]＝mii/mipsj，下文用ctij表示；

1.5、對于某任務(wù)分配方案p，假設(shè)虛擬機(jī)vmj上已經(jīng)分配了前k-1個(gè)任務(wù)，定義虛擬機(jī)vmj的當(dāng)前負(fù)載vlj為分配給虛擬機(jī)vmj的所有任務(wù)所需執(zhí)行時(shí)間，即定義makespankj為任務(wù)tk在虛擬機(jī)vmj上的時(shí)間跨度，即任務(wù)tk在vmj上執(zhí)行的最早完成時(shí)間，makespankj＝vlj+ctkj，定義虛擬機(jī)的負(fù)載vlj為分配給第j個(gè)虛擬機(jī)vmj所有任務(wù)的預(yù)期完成時(shí)間，即

所述第二步中，使用對時(shí)間貪心的算法對任務(wù)調(diào)度初始解進(jìn)行求解，包括以下步驟：

2.1、初始化任務(wù)集合t以及虛擬機(jī)集合vm，由1.1，1.2已知mii表示任務(wù)ti的指令長度，mipsj表示虛擬機(jī)vmj的每秒處理指令數(shù)，由1.4已知n個(gè)不同的任務(wù)調(diào)度到m個(gè)不同臺(tái)虛擬機(jī)上的預(yù)期完成時(shí)間矩陣ct；

2.2、將任務(wù)集合根據(jù)mi的大小進(jìn)行降序排列，虛擬機(jī)集合根據(jù)mips進(jìn)行升序排列；然后，初始化ct矩陣、行號h＝0，由1.5已經(jīng)定義makespanij為當(dāng)前任務(wù)ti分配給虛擬機(jī)vmj的時(shí)間跨度，即任務(wù)ti在vmj上執(zhí)行的最早完成時(shí)間；

2.3、判斷所有任務(wù)是否已經(jīng)被分配完成，若完成分配，則結(jié)束算法跳轉(zhuǎn)到2.7獲得任務(wù)調(diào)度初始解，否則進(jìn)入2.4；

2.4、從ct矩陣行號為h開始，每次都嘗試將任務(wù)分配給最后一列對應(yīng)的虛擬機(jī)資源；

2.5、如果當(dāng)前虛擬機(jī)未分配任務(wù)，則比較當(dāng)前任務(wù)調(diào)度給該虛擬機(jī)是否最優(yōu)，若已經(jīng)分配任務(wù)，則比較makespanij是否為最優(yōu)值，若是，那么完成任務(wù)分配，跳到2.6；否則它將分配給使makespanij結(jié)果最優(yōu)的虛擬機(jī)資源vmj，并且跳轉(zhuǎn)2.6；

2.6、更新行號h＝h+1，跳轉(zhuǎn)到2.3；

2.7、若任務(wù)對調(diào)度存在多種方案，挑選任務(wù)運(yùn)行數(shù)最少的虛擬機(jī)資源分配，實(shí)現(xiàn)初始解的負(fù)載均衡。

本發(fā)明的技術(shù)構(gòu)思為：云計(jì)算環(huán)境下，任務(wù)的調(diào)度方法層出不窮，大多方法只考慮到任務(wù)完成時(shí)間，而未考慮到云資源利用率的最大化。本發(fā)明提出了一種基于bp-tabu搜索的云任務(wù)負(fù)載均衡調(diào)度方法，其內(nèi)容包括：通過時(shí)間貪心算法求出tabu搜索算法的初始解，然后利用基于多因素優(yōu)值函數(shù)的啟發(fā)式tabu搜索算法思想，結(jié)合虛擬機(jī)隨機(jī)分量函數(shù)實(shí)現(xiàn)的跳出局部最優(yōu)的懲戒策略，實(shí)現(xiàn)云環(huán)境下的任務(wù)調(diào)度總完成時(shí)間最短且負(fù)載均衡度最低。

本發(fā)明的相比其他云任務(wù)調(diào)度方法具有如下幾個(gè)優(yōu)點(diǎn)：

(1)使用對時(shí)間貪心的算法可以快速求解出任務(wù)調(diào)度的初始解，并且此算法具有一定的負(fù)載均衡效益。

(2)在時(shí)間貪心算法獲得的任務(wù)調(diào)度初始解基礎(chǔ)上，使用基于啟發(fā)式tabu搜索算法思想，根據(jù)包含負(fù)載平衡度的優(yōu)值函數(shù)，獲得優(yōu)值函數(shù)最優(yōu)的任務(wù)調(diào)度方案。使得到的任務(wù)調(diào)度方案任務(wù)總完成時(shí)間最低，任務(wù)總負(fù)載均衡度最高。

(3)使用基于隨機(jī)分量函數(shù)的懲罰策略，引導(dǎo)tabu搜索算法跳出局部最優(yōu)解。使最終獲得的任務(wù)調(diào)度方案盡可能趨于全局最優(yōu)。

附圖說明

圖1示出了云環(huán)境下任務(wù)調(diào)度模型圖。

圖2示出了時(shí)間貪心的算法流程圖。

圖3示出了基于tabu搜索的云任務(wù)負(fù)載均衡調(diào)度算法流程圖。

圖4示出了基于tabu搜索的懲罰策略設(shè)計(jì)圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。

參照圖1～圖4，一種基于bp-tabu搜索的云任務(wù)負(fù)載均衡調(diào)度方法，圖1為云環(huán)境下任務(wù)調(diào)度模型圖。在云環(huán)境下，一個(gè)個(gè)不能再分割的云任務(wù)從創(chuàng)建到被處理的過程，中間經(jīng)過兩層調(diào)度，由此可以得出云任務(wù)調(diào)度二級結(jié)構(gòu)模型。第一層調(diào)度模型為從用戶應(yīng)用(client)產(chǎn)生的多個(gè)任務(wù)t到虛擬機(jī)(vm)的調(diào)度，第二層調(diào)度模型為虛擬機(jī)(vm)到實(shí)體主機(jī)(host)的調(diào)度。本發(fā)明主要研究第一層用戶應(yīng)用，即云任務(wù)t到虛擬機(jī)vm的調(diào)度中如何降低云任務(wù)總執(zhí)行時(shí)間以及提高虛擬機(jī)的負(fù)載均衡度的。

所述云任務(wù)負(fù)載均衡調(diào)度方法包括以下步驟：

第一步，對于云計(jì)算環(huán)境下的負(fù)載均衡任務(wù)調(diào)度問題進(jìn)行形式化描述，并給出對于云計(jì)算環(huán)境下各元素相關(guān)定義，包括：云任務(wù)t、虛擬機(jī)資源vm、執(zhí)行時(shí)間矩陣ct、云任務(wù)到虛擬機(jī)的分配矩陣p、任務(wù)最早完成時(shí)間makespan、總?cè)蝿?wù)最優(yōu)完成時(shí)間vl和負(fù)載均衡度lbp，

1.1、假設(shè)云環(huán)境下，任務(wù)作業(yè)已經(jīng)分解為n個(gè)無法再分割的子任務(wù)的集合。定義任務(wù)集合t＝{t1,…,ti,…,tn}，其中ti為分解成的任務(wù)集合中的第i個(gè)任務(wù)(i＝1,2,…,n)，n為任務(wù)數(shù)量，且定義mii為任務(wù)ti的總指令長度。

1.2、假設(shè)有m個(gè)虛擬資源參與任務(wù)的處理，且虛擬資源以虛擬機(jī)的方式提供。定義虛擬機(jī)集合vm＝{vm1,…,vmj,…,vmm}，其中vmj為第j個(gè)虛擬機(jī)資源(j＝1,2,…,m)，m為虛擬機(jī)數(shù)量，且定義mipsj為虛擬機(jī)vmj的指令執(zhí)行速度(單位：每秒執(zhí)行指令條數(shù))。

1.3、定義n個(gè)不同任務(wù)t調(diào)度到m個(gè)不同虛擬機(jī)vm上所有可能的任務(wù)調(diào)度方案集η。定義p代表任務(wù)分配方案集η中的一種任務(wù)調(diào)度方案，即一個(gè)n×m的矩陣。其中pij表示任務(wù)ti與虛擬機(jī)vmj的分配關(guān)系，且p∈{0,1}，即如果任務(wù)ti分配在虛擬機(jī)vmj上執(zhí)行，則pij＝1，否則pij＝0。

1.4、云環(huán)境下，假定每個(gè)任務(wù)只能分配到單臺(tái)虛擬機(jī)上執(zhí)行，且在某個(gè)時(shí)間段，一個(gè)虛擬機(jī)只能執(zhí)行一個(gè)任務(wù)。定義n個(gè)不同的任務(wù)調(diào)度到m個(gè)不同臺(tái)虛擬機(jī)上的預(yù)期完成時(shí)間矩陣ct，其中ct[i][j]用于表示任務(wù)ti在虛擬機(jī)資源vmj上的任務(wù)完成時(shí)間，即ct[i][j]＝mii/mipsj，下文用ctij表示。

1.5、對于某任務(wù)分配方案p，假設(shè)虛擬機(jī)vmj上已經(jīng)分配了前k-1個(gè)任務(wù)，定義虛擬機(jī)vmj的當(dāng)前負(fù)載vlj為分配給虛擬機(jī)vmj的所有任務(wù)所需執(zhí)行時(shí)間，即定義makespankj為任務(wù)tk在虛擬機(jī)vmj上的時(shí)間跨度，即任務(wù)tk在vmj上執(zhí)行的最早完成時(shí)間，makespankj＝vlj+ctkj。定義虛擬機(jī)的負(fù)載vlj為分配給第j個(gè)虛擬機(jī)vmj所有任務(wù)的預(yù)期完成時(shí)間，即

第二步，圖2為基于貪心算法思想求得任務(wù)調(diào)度初始解的流程圖。主要運(yùn)用的思想是，先通過計(jì)算獲得每個(gè)任務(wù)在相應(yīng)虛擬機(jī)資源上的最小完成時(shí)間列表，然后在這些最小完成時(shí)間中，選取出其中的最大值與最小值進(jìn)行組合，如果該任務(wù)組合對相對于其他任務(wù)組合對分配時(shí)間最優(yōu)，就完成任務(wù)資源分配；如果不是最優(yōu)，即將任務(wù)對分配給其他虛擬機(jī)資源。若任務(wù)對分配存在多種方案，挑選任務(wù)運(yùn)行數(shù)最少的虛擬機(jī)資源分配。

使用對時(shí)間貪心的算法對任務(wù)調(diào)度初始解進(jìn)行求解，包括以下步驟：

2.1、初始化任務(wù)集合t以及虛擬機(jī)集合vm，由1.1，1.2已知mii表示任務(wù)ti的指令長度，mipsj表示虛擬機(jī)vmj的每秒處理指令數(shù)。由1.4已知n個(gè)不同的任務(wù)調(diào)度到m個(gè)不同臺(tái)虛擬機(jī)上的預(yù)期完成時(shí)間矩陣ct。

2.2、將任務(wù)集合根據(jù)mi的大小進(jìn)行降序排列，虛擬機(jī)集合根據(jù)mips進(jìn)行升序排列。然后，初始化ct矩陣、行號h＝0。由1.5已經(jīng)定義makespanij為當(dāng)前任務(wù)ti分配給虛擬機(jī)vmj的時(shí)間跨度，即任務(wù)ti在vmj上執(zhí)行的最早完成時(shí)間。

2.3、判斷所有任務(wù)是否已經(jīng)被分配完成，若完成分配，則結(jié)束算法跳轉(zhuǎn)到2.7獲得任務(wù)調(diào)度初始解。否則進(jìn)入2.4。

2.4、從ct矩陣行號為h開始，每次都嘗試將任務(wù)分配給最后一列對應(yīng)的虛擬機(jī)資源。

2.5、如果當(dāng)前虛擬機(jī)未分配任務(wù)，則比較當(dāng)前任務(wù)調(diào)度給該虛擬機(jī)是否最優(yōu)，若已經(jīng)分配任務(wù)，則比較makespanij是否為最優(yōu)值，若是，那么完成任務(wù)分配，跳到2.6；否則它將分配給使makespanij結(jié)果最優(yōu)的虛擬機(jī)資源vmj，并且跳轉(zhuǎn)2.6。

2.6、更新行號h＝h+1，跳轉(zhuǎn)到2.3。

2.7、若任務(wù)對調(diào)度存在多種方案，挑選任務(wù)運(yùn)行數(shù)最少的虛擬機(jī)資源分配，實(shí)現(xiàn)初始解的負(fù)載均衡。

第三步，通過時(shí)間貪心算法獲得任務(wù)調(diào)度初始解后，針對不同任務(wù)分配方案，根據(jù)虛擬機(jī)處理能力mips、指令的執(zhí)行成本以及延遲成本，定義虛擬機(jī)利用效益函數(shù)，用于衡量虛擬機(jī)的使用效益。根據(jù)虛擬機(jī)總利用效益，以及虛擬機(jī)的總負(fù)載平衡度，定義任務(wù)調(diào)度方案p下的優(yōu)值函數(shù)bp，用于衡量該任務(wù)調(diào)度方案的任務(wù)優(yōu)值。過程如下：

3.1、在任務(wù)分配方案p下，定義虛擬機(jī)vmj當(dāng)前狀態(tài)下vmuj為虛擬機(jī)vmj的利用效益。函數(shù)如下：

vmuj＝vmu(α,dp,mips)

其中α為虛擬機(jī)處理指令的執(zhí)行成本，dp為處理指令的延遲成本。

3.2、定義n個(gè)不同任務(wù)調(diào)度到m個(gè)不同虛擬機(jī)上的平均負(fù)載，即總?cè)蝿?wù)最優(yōu)完成時(shí)間為即假設(shè)，在任務(wù)調(diào)度方案p下，虛擬機(jī)總的負(fù)載均衡度定義該任務(wù)調(diào)度方案p下的優(yōu)值函數(shù)bp，用于衡量任務(wù)調(diào)度方案p的任務(wù)優(yōu)值，主要函數(shù)如下：

其中w1，w2為權(quán)重值。vmu為虛擬機(jī)利用效益和，lbp為該任務(wù)調(diào)度方案下的負(fù)載均衡度。

第四步，圖3為基于tabu搜索的云任務(wù)負(fù)載均衡調(diào)度算法流程圖。本過程結(jié)合貪心算法獲得的任務(wù)調(diào)度初始解，通過衡量包含效益值以及負(fù)載均衡度的優(yōu)值函數(shù)，得出基于tabu搜索算法優(yōu)化后的任務(wù)調(diào)度分配策略。由于tabu搜索的禁忌數(shù)組不能保證當(dāng)搜索進(jìn)入局部最優(yōu)時(shí)一定可以跳出。本發(fā)明在此基礎(chǔ)上提出了用于跳出局部最優(yōu)的懲罰策略。

使用禁忌算法獲取任務(wù)調(diào)度最優(yōu)解的過程包括以下步驟：

4.1、假設(shè)在某個(gè)云任務(wù)環(huán)境下，其中不可再分的云任務(wù)的總數(shù)為n，初始化禁忌數(shù)組tabulist[1,2,…,n]，其中數(shù)組的初始值均為1，用于標(biāo)識該任務(wù)可以被交換。

4.2、根據(jù)1.5可知，虛擬機(jī)的負(fù)載vlj為分配給第j個(gè)虛擬機(jī)vmj所有任務(wù)的預(yù)期完成時(shí)間，即通過計(jì)算所有虛擬機(jī)的負(fù)載，獲取任務(wù)負(fù)載vl最大以及最小的虛擬機(jī)vmmax，vmmin。

4.3、判斷分配至vmmax的任務(wù)是否均被禁止交換，若分配至vmmax的任務(wù)在tabulist中的值均為0，即均被置為禁止交換狀態(tài)，則跳轉(zhuǎn)到4.8，否則跳轉(zhuǎn)4.4。

4.4、選擇虛擬機(jī)vmmax上可被用于交換的任務(wù)tk，并設(shè)置其禁忌值tabulist[k]＝0。進(jìn)入下一步。

4.5、判斷分配至vmmin的任務(wù)是否均被禁止交換，若分配至虛擬機(jī)vmmin的任務(wù)均被禁止交換，則跳轉(zhuǎn)到4.8，否則進(jìn)入下一步。

4.6、分別選擇虛擬機(jī)vmmin上可交換任務(wù)，計(jì)算各任務(wù)交換狀態(tài)下的調(diào)度方案的優(yōu)值函數(shù)值，選擇使優(yōu)值函數(shù)值最高的任務(wù)對(k,l)進(jìn)行交換。

4.7、計(jì)算交換后的優(yōu)值函數(shù)值，若交換后的優(yōu)值函數(shù)的值大于原優(yōu)值函數(shù)的值，則完成任務(wù)交換，更新禁忌表tabulist[l]＝0，并且同時(shí)更新負(fù)載最大以及最小的虛擬機(jī)vmmax，vmmin的負(fù)載vl。跳轉(zhuǎn)到4.2。

4.8、結(jié)束算法，獲得任務(wù)調(diào)度的最優(yōu)分配方案。

圖4為基于tabu搜索的跳出局部最優(yōu)的懲罰策略設(shè)計(jì)圖。設(shè)計(jì)主要過程如下：對修改禁忌表tabulist中禁忌對象的次數(shù)進(jìn)行記錄。其記錄次數(shù)用pt表示，初始值為0。當(dāng)禁忌對象進(jìn)入禁忌表時(shí)，pt將被加1。當(dāng)連續(xù)k次tabulist集沒有更新時(shí)，即pt＝k時(shí)，將會(huì)啟動(dòng)懲罰策略。定義虛擬機(jī)隨機(jī)分量函數(shù)p*(k)：

p*(k)＝p(k)-w*pt

其中p(k)為當(dāng)前最小虛擬機(jī)的索引量，w為隨機(jī)懲罰常量，k為記錄次數(shù)閾值。虛擬機(jī)分量函數(shù)的計(jì)算會(huì)對最小任務(wù)負(fù)載vl虛擬機(jī)vmmin的選擇產(chǎn)生影響，最小虛擬機(jī)的索引量p(k)會(huì)偏移，根據(jù)最新的p(k)選擇相應(yīng)(相鄰)的虛擬機(jī)代替vmmin，從而引導(dǎo)搜索跳出局部最優(yōu)。

優(yōu)化方式為：所述步驟4.1中，增加虛擬機(jī)隨機(jī)分量函數(shù)，初始化記錄次數(shù)pt＝0，即隨機(jī)分量函數(shù)閾值k；所述步驟4.2中，增加對于閾值k判斷，若pt>＝k，則使用隨機(jī)分量函數(shù)p^*(k)對vmmin的選擇使用懲罰策略，若pt<＝k，則跳過進(jìn)入下一步；所述步驟4.7中，增加對于記錄次數(shù)pt的操作，若交換后的優(yōu)值函數(shù)bp的值小于原優(yōu)值函數(shù)的值，則記錄次數(shù)pt加1，否則，pt不變，進(jìn)入下一步。